Data-Driven Classroom

Part I: Fundamental Ideas

Assistant Prof. Dr. Siwachoat Srisuttiyakorn

Department of Educational Research and Psychology
Faculty of Education Chulalongkorn University

2025-06-07

Education 4.0

“A Global Framework for Shifting Learning Content and Experiences Towards the Needs of the Future”

ปรับตัวให้ยืดหยุ่น เฉพาะบุคคล
ใช้เทคโนโลยีเป็นเครื่องมือ
พัฒนาทักษะที่ตอบโจทย์อนาคต

Limitations of Conventional Teaching

การเรียนรู้แบบ One-size-fits-all → ไม่ตอบโจทย์ความหลากหลายของผู้เรียน
ข้อมูลนักเรียนมีมาก แต่ใช้งานน้อย → ขาดการวิเคราะห์เชิงลึก (Data Gap)
ขาดเครื่องมือช่วยวิเคราะห์พฤติกรรมและผลสัมฤทธิ์อย่างมีประสิทธิภาพ
ใช้เวลามากกับงานซ้ำซ้อน เช่น ให้คะแนน ติดตามงาน ส่งผลต่อการสอน

Why’s Data-Driven?

Data Literacy is the Core Capability

Do you “speak data”?

https://mobile.x.com/timoelliott/status/1102895192246571009/photo/1

Data-Driven Classroom

ห้องเรียนที่ใช้ข้อมูลนักเรียนอย่างเป็นระบบและต่อเนื่อง เพื่อวิเคราะห์ ปรับกลยุทธ์การสอน และออกแบบการสนับสนุนเฉพาะบุคคล โดยมีเป้าหมายเพื่อพัฒนาการเรียนรู้และความสำเร็จของผู้เรียน ผ่านกระบวนการตัดสินใจจากข้อมูล (DDDM/DIDM) อย่างมีวงจรและยั่งยืน

Data is a strategic asset that must be operationalized to drive business outcomes.

NJEdge Inc. (2025)

Using insights from data to identify specific areas of weakness or strength to make targeted adjustments to instruction and improve learner outcomes

Bolz and Madhavan (2023)

Data-Driven Classroom Cycle

Intentional Assessment

กระบวนการออกแบบการประเมินที่มีเป้าหมายเชิงลึกและชัดเจน โดยไม่ใช่แค่วัดผลสุดท้ายของนักเรียน แต่ใช้การประเมินเป็นเครื่องมือในการเข้าใจ เหตุของปัญหา และ วางแผนการช่วยเหลือเชิงรุก ได้อย่างแม่นยำ

Traditional

“โครงงานเป็นส่วนหนึ่งของการวัดประเมินผลการเรียน คิดเป็นร้อยละ 40 ของคะแนนรวม”

Data-driven

“ผลประเมินโครงงานใช้วัด การใช้ความรู้สถิติแก้ปัญหาของนักเรียน”
หากนักเรียนทำได้ไม่ดี เราต้องรู้ว่าเพราะขาดทักษะย่อยหรือเพราะปัจจัยแวดล้อม เช่น เวลาเรียนหรือการขาดเรียน เพื่อช่วยเหลือได้ตรงจุด”

Intentional Assessment: Three-Tier Framework

Tier 1: Predictive Assessment – ป้องกันความเสี่ยงที่อาจเกิดขึ้นโดยใช้การทำนาย
Tier 2: Responsive Assessment – แทรกแซงปัญหาที่เกิดขึ้นให้ทันท่วงที
Tier 3: Summative Assessment – intensive Individual Support/ประเมินกระบวนการจัดการเรียนรู้และปรับปรุงต่อไป

ที่มา: ปรับจาก Johnson (2020)

Intentional Assessment

Outcome Variables: project_score
Academic Readiness Variables: define_var, stat_concept, failures
Learning Behavior Variables: studytime, absences, activities
Social Lifestyle Variables: romantic, goout, Walc, freetime
Environmental Support Variables: residence_type, traveltime, computer, guardian
Personal Wellness Variables: famrel, health

Data Analysis

ผลประเมินโครงงานของนักเรียนเป็นอย่างไร ?

Data Analysis

ผลประเมินโครงงานของนักเรียนเป็นอย่างไร ?

Data Analysis Mindset

S. Srisuttiyakorn (2025)

Problem Prioritization

ปัจจัยที่เป็นปัญหาในกลุ่มนักเรียนไม่ผ่านการประเมินโครงงาน

Diagnostic Analysis

Segmentation
Root Cause Analysis

S. Srisuttiyakorn (2025)

Diagnostic Analysis

Segmentation
Root Cause Analysis

Diagnostic Analysis

Traditional Approach

จุดเด่น

เข้าใจง่าย: บอกได้ว่าตัวแปรใด “สำคัญโดยรวม” ต่อโมเดล
ใช้สื่อสารกับผู้บริหารหรือทีมได้เร็ว
เหมาะสำหรับวางนโยบายระดับภาพรวม (macro level)

ข้อจำกัด

ไม่สามารถบอกได้ว่าส่งผลกับใครเป็นพิเศษ
ไม่มีการแยกนักเรียนที่มีปัญหาหลากหลายรูปแบบ
ไม่รองรับการช่วยเหลือเฉพาะรายหรือวางแผนการสอนเฉพาะบุคคล

Data-Driven Approach

จุดเด่น

วิเคราะห์สาเหตุเฉพาะรายนักเรียนได้อย่างแม่นยำ
บอกได้ว่าแต่ละปัจจัย “เพิ่มหรือลดความเสี่ยง” แค่ไหน
เหมาะสำหรับใช้วางแผนแทรกแซงเฉพาะกลุ่มหรือรายบุคคล
ช่วยครูเข้าใจ “ที่มาของปัญหา” ของนักเรียนแต่ละคน

ข้อจำกัด

ใช้ความเชี่ยวชาญและเวลามากกว่า และต้องมีข้อมูลสะอาด/ครอบคลุม
อธิบายยากขึ้นหากผู้ใช้ไม่คุ้นกับโมเดล AI

Data-Driven Intervention Strategy

AI + Data in Education

AI + Data → Learning Analytic + Personalized Learning + ปรับปรุงคุณภาพการศึกษา
AI → ลดภาระงานซ้ำซ้อนของครู → เพิ่มเวลาให้งานสร้างสรรค์ การมีปฏิสัมพันธ์กับผู้เรียนอย่างใกล้ชิด
AI + Technology ที่เหมาะสม → Accessible & Inclusive Learning/ Lifelong Learning

World Economic Forum (2020)

UNESCO (2024b)

Artificial Intelligence (AI)

“A General Introduction to Artificial Intelligence” (2023)

AI in the Modern World

“Using two types of neural network - mathematical systems for identifying patterns in images or data - the Al system quickly learnt to identify ten features of eye disease from highly complex optical coherence tomography (OCT) scans. The system was then able to recommend a referral decision based on the most urgent conditions detected.” … “Al was able to make the right referral recommendation more than 94% of the time …”

Diabetic Retinopathy
Age-related Macular Degeneration
Glaucoma
Retinal Detachment
Optic Neuropathy

https://www.ucl.ac.uk/ioo/news/2018/aug/artificial-intelligence-equal-experts-detecting-eye-diseases (2018)

Al system for breast cancer screening

(McKinney et al. 2020)

AI in the Modern World

Molecular Biology Research

AI in the Modern World

https://woebothealth.com/(2025)

https://www.youper.ai/how-it-works

AI in the Modern World

https://knihovna.utb.cz/en/services/tools/grammarly/

AI in the Modern World

AI ไม่ได้ถูกใช้เพียงแค่ในการวิเคราะห์ข้อมูลเท่านั้น แต่ยังสามารถ สร้างเนื้อหา ได้ เช่น ข้อความ รูปภาพ เสียง และวิดีโอ

https://www.xenonstack.com/blog/generative-ai-applications

https://www.zendesk.com.br/blog/generative-ai-guide/

AI Competency Framework for Teachers

มิติหลัก (Aspects)	ระดับเริ่มต้น (Acquire)	ระดับเชี่ยวชาญขึ้น (Deepen)	ระดับสร้างสรรค์ (Create)
1️⃣ แนวคิดมนุษย์เป็นศูนย์กลาง (Human-centred mindset)	Human Agency 🔹 เข้าใจว่า AI เป็นเครื่องมือ 🔹 เข้าใจข้อจำกัดของ AI 🔹 เข้าใจแนวคิด Human-centred AI	Human Accountability 🔹 วิเคราะห์และป้องกันอคติของ AI 🔹 รับผิดชอบต่อผลลัพธ์ของ AI 🔹 ปกป้องความเป็นส่วนตัวของนักเรียน 🔹 ใช้ AI อย่างมีจริยธรรมและโปร่งใส	Social Responsibility 🔹 เป็นผู้นำด้าน AI Literacy 🔹 กำหนดนโยบายการใช้ AI 🔹 ส่งเสริม AI ที่เป็นประโยชน์ต่อสังคม
2️⃣ จริยธรรมของ AI (Ethics of AI)	Ethical principles 🔹 เข้าใจหลักจริยธรรมพื้นฐานของ AI 🔹 ตระหนักถึงความเป็นส่วนตัวและความปลอดภัยของข้อมูล 🔹 ตระหนักว่า AI ไม่สามารถตัดสินใจแทนมนุษย์ได้	Safe & Responsible AI 🔹 ใช้ AI อย่างปลอดภัยและมีความรับผิดชอบ 🔹 ป้องกันอคติและส่งเสริมความเป็นธรรม 🔹 ปกป้องข้อมูลและสิทธิความเป็นส่วนตัวของนักเรียน 🔹 วิเคราะห์ผลกระทบทางสังคมของ AI	Co-creating Ethical AI Policies 🔹 มีส่วนร่วมในการพัฒนาแนวปฏิบัติเชิงจริยธรรมของ AI 🔹 ออกแบบแนวทางป้องกันการใช้ AI อย่างไม่เหมาะสม 🔹 พัฒนาโครงการ AI ที่คำนึงถึงความเป็นธรรม
3️⃣ พื้นฐานและการประยุกต์ใช้ AI (AI foundations and applications)	Basic AI Techniques 🔹 เข้าใจพื้นฐานของ AI และตัวอย่างการนำไปใช้ 🔹 รู้จักเครื่องมือ AI ที่สามารถนำมาใช้ในการศึกษา 🔹 เข้าใจข้อจำกัดและโอกาสของ AI	Application of AI 🔹 มีทักษะการประยุกต์ใช้ AI ในบริบทของการศึกษา 🔹 ใช้ AI วิเคราะห์แนวโน้มการเรียนของนักเรียน 🔹 ปรับแต่งการเรียนการสอนโดยใช้ AI	Creating with AI 🔹 สามารถออกแบบนวัตกรรมใหม่โดยใช้ AI 🔹 พัฒนาโมเดล AI ที่ช่วยแก้ปัญหาทางการศึกษา 🔹 ใช้ AI เพื่อสร้างเครื่องมือช่วยการเรียนการสอน
4️⃣ การสอนโดยใช้ AI (AI pedagogy)	AI-assisted Teaching 🔹 ใช้ AI เป็นเครื่องมือช่วยสอน 🔹 ทดลองใช้ AI ในกิจกรรมการสอนที่เรียบง่าย 🔹 เข้าใจว่า AI สนับสนุนการสอนอย่างไร	AI-Pedagogy Integration 🔹 ผสมผสาน AI กับแนวทางการสอน 🔹 ใช้ AI วิเคราะห์พฤติกรรมการเรียนรู้ของนักเรียน 🔹 ปรับกลยุทธ์การสอนตามข้อมูลจาก AI	AI-Enhanced Pedagogical Transformation 🔹 เปลี่ยนแปลงวิธีการสอนโดยใช้ AI 🔹 พัฒนาแพลตฟอร์มการเรียนรู้ที่ขับเคลื่อนด้วย AI 🔹 สนับสนุนการเรียนรู้เฉพาะบุคคลด้วย AI
5️⃣ AI เพื่อการพัฒนาวิชาชีพของครู (AI for professional development)	AI for Lifelong Learning 🔹 ใช้ AI เพื่อพัฒนาความรู้และทักษะของตนเอง 🔹 ติดตามแนวโน้มของ AI เพื่อพัฒนาการสอน 🔹 ใช้ AI เพื่อค้นหาสื่อและแหล่งเรียนรู้ใหม่ๆ	AI for Organizational Learning 🔹 นำ AI มาใช้เพื่อเสริมสร้างการเรียนรู้ขององค์กร 🔹 ใช้ AI เพื่อช่วยบริหารและพัฒนาคุณภาพการศึกษา 🔹 ติดตามและวิเคราะห์พัฒนาการของครูและนักเรียน	AI to Support Professional Transformation 🔹 ใช้ AI เพื่อพัฒนาศักยภาพของครู 🔹 พัฒนาโปรแกรมอบรม AI สำหรับเพื่อนครู 🔹 สร้างเครือข่ายการเรียนรู้สำหรับครูด้วย AI

UNESCO (2024b)

AI Competency Framework for Students

มิติหลัก (Aspects)	ระดับเข้าใจ (Understand)	ระดับประยุกต์ใช้ (Apply)	ระดับสร้างสรรค์ (Create)
1️⃣ แนวคิดมนุษย์เป็นศูนย์กลาง (Human-centred mindset)	Human Agency 🔹 เข้าใจว่า AI เป็นเครื่องมือที่ช่วยมนุษย์ ไม่ใช่สิ่งที่แทนที่มนุษย์ 🔹 เข้าใจบทบาทและข้อจำกัดของ AI 🔹 ตระหนักว่ามนุษย์ต้องเป็นผู้กำกับดูแล AI	Human Accountability 🔹 วิเคราะห์และตั้งคำถามเกี่ยวกับการตัดสินใจของ AI 🔹 ใช้ AI อย่างมีความรับผิดชอบและพิจารณาผลกระทบต่อผู้ใช้ 🔹 ป้องกันอคติและความไม่เป็นธรรมใน AI	Citizenship in the Era of AI 🔹 เป็นผู้นำในการใช้ AI อย่างมีจริยธรรมในสังคม 🔹 ส่งเสริมการพัฒนา AI ที่มีผลกระทบเชิงบวกต่อสังคม 🔹 มีส่วนร่วมในการกำหนดนโยบายเกี่ยวกับ AI ในโรงเรียนหรือชุมชน
2️⃣ จริยธรรมของ AI (Ethics of AI)	Embodied Ethics 🔹 เข้าใจแนวคิดพื้นฐานของจริยธรรม AI 🔹 ตระหนักถึงความเป็นส่วนตัวและการใช้ข้อมูล AI 🔹 เข้าใจว่า AI สามารถมีอคติและผลกระทบต่อสังคมได้	Safe and Responsible Use 🔹 ใช้ AI อย่างปลอดภัยโดยคำนึงถึงสิทธิและความเป็นส่วนตัวของผู้ใช้ 🔹 พิจารณาผลกระทบของ AI ต่อเศรษฐกิจและสังคม 🔹 วิเคราะห์ปัญหาทางจริยธรรมที่เกี่ยวข้องกับ AI	Ethics by Design 🔹 สามารถออกแบบระบบ AI ที่คำนึงถึงจริยธรรมและความเป็นธรรม 🔹 พัฒนาโครงการ AI ที่เน้นการใช้งานที่เป็นธรรมและปลอดภัย 🔹 วิเคราะห์แนวทางการออกแบบ AI ที่ลดอคติและเพิ่มความโปร่งใส
3️⃣ พื้นฐานและการประยุกต์ใช้ AI (AI techniques and applications)	AI Foundations 🔹 เข้าใจหลักการพื้นฐานของ AI 🔹 เรียนรู้วิธีการทำงานของ AI เช่น Machine Learning 🔹 ทดลองใช้เครื่องมือ AI พื้นฐาน เช่น Chatbots หรือ AI-based search tools	Application Skills 🔹 ใช้ AI ในการแก้ปัญหาการเรียนรู้หรือโครงการต่างๆ 🔹 วิเคราะห์ข้อมูลจาก AI เพื่อช่วยพัฒนากลยุทธ์การเรียนรู้ของตนเอง 🔹 ใช้ AI เพื่อสร้างเครื่องมือช่วยเรียนรู้ เช่น AI-based flashcards	Creating AI Tools 🔹 สร้างและพัฒนาเครื่องมือ AI ที่สามารถแก้ปัญหาได้จริง 🔹 ใช้ AI ในการออกแบบนวัตกรรมเพื่อพัฒนาชุมชนหรือการศึกษา 🔹 พัฒนาโมเดล AI ที่สามารถช่วยเหลือผู้เรียนที่มีความต้องการพิเศษ
4️⃣ การออกแบบระบบ AI (AI system design)	Problem Scoping 🔹 เข้าใจวิธีระบุปัญหาที่สามารถแก้ไขได้ด้วย AI 🔹 เรียนรู้กระบวนการวิเคราะห์ปัญหาและข้อจำกัดของ AI 🔹 ฝึกฝนการคิดเชิงระบบในการกำหนดขอบเขตของ AI	Architecture Design 🔹 สามารถออกแบบโครงสร้างของ AI เบื้องต้น 🔹 ทดลองสร้างโมเดล AI โดยใช้เครื่องมือ no-code หรือ low-code AI tools 🔹 ศึกษากระบวนการพัฒนา AI ที่เน้นความโปร่งใสและความยุติธรรม	Iteration and Feedback Loops 🔹 ออกแบบและพัฒนา AI โดยใช้แนวคิด iteration และ feedback loops 🔹 ปรับปรุงโมเดล AI ตามข้อเสนอแนะและข้อมูลที่ได้รับ 🔹 สร้างแนวทาง AI ที่มีการเรียนรู้และปรับตัวอย่างต่อเนื่อง

UNESCO (2024a)

AI Usage Framework

Human in the Loop Framework

https://www.doubleword.ai/glossary/human-in-the-loop

Summary

Assessment Design: “ข้อมูลอะไรที่จะช่วยให้ฉันสอนได้ดีขึ้น?”
Analysis Phase: “ข้อมูลนี้บอกอะไรฉันเกี่ยวกับนักเรียนแต่ละคน?”
Intervention Phase: “ฉันจะใช้ข้อมูลนี้เพื่อช่วยนักเรียนอย่างไร?”
Monitoring Phase: “การเปลี่ยนแปลงนี้ได้ผลจริงหรือไม่?”

References

“A General Introduction to Artificial Intelligence.” 2023. In Artificial Intelligence Technology, 1–41. Singapore: Springer Nature Singapore. https://doi.org/10.1007/978-981-19-2879-6_1.

Bolz, Michael J., and Vidya Madhavan. 2023. “What Is Data-Driven Instruction in Education?” https://www.hmhco.com/blog/what-is-data-driven-instruction.

Dykes, Brent. 2020. Effective Data Storytelling: How to Drive Change with Data, Narrative and Visuals. Hoboken, NJ: John Wiley & Sons, Inc.

Gaël. 2020. “What Is Artificial Intelligence?” https://www.datakeen.co/what-is-artificial-intelligence-3/.

Johnson, Evelyn S. 2020. “Response to Intervention.” Oxford University Press. https://doi.org/10.1093/acrefore/9780190264093.013.1187.

Jumper, John, Richard Evans, Alexander Pritzel, et al. 2021. “Highly Accurate Protein Structure Prediction with AlphaFold.” Nature 596: 583–89. https://doi.org/10.1038/s41586-021-03819-2.

Mansfield, Lucy A., Peer J. Nowack, Mehran Kasoar, et al. 2020. “Predicting Global Patterns of Long-Term Climate Change from Short-Term Simulations Using Machine Learning.” Npj Climate and Atmospheric Science 3: 44. https://doi.org/10.1038/s41612-020-00148-5.

McKinney, Scott M., Marcin Sieniek, Varun Godbole, et al. 2020. “International Evaluation of an AI System for Breast Cancer Screening.” Nature 577: 89–94. https://doi.org/10.1038/s41586-019-1799-6.

NJEdge Inc., ". 2025. “Turning Data into a Strategic Asset.” https://njedge.net/blog/turning-data-into-a-strategic-asset/.

Srisuttiyakorn, S. 2025. “Principles of Machine Learning and Applications.” Faculty of Education, Chulalongkorn University.

Srisuttiyakorn, Siwachoat, Kanit Sriklaub, Prapasiri Ratchaprapapornkul, and Watinee Amornpaisarnlert. 2024. “Technical Assistance for Mapping Education Data to Thailand Child-Sensitive Climate Change Risk.” Research Report. UNICEF.

UCL Institute of Ophthalmology. 2018. “Artificial Intelligence Equal to Experts in Detecting Eye Diseases.” https://www.ucl.ac.uk/ioo/news/2018/aug/artificial-intelligence-equal-experts-detecting-eye-diseases.

UNESCO. 2024a. “AI Competency Framework for Students.” Paris, France: United Nations Educational, Scientific; Cultural Organization (UNESCO). https://doi.org/10.54675/JKJB9835.

———. 2024b. “AI Competency Framework for Teachers.” Paris, France: United Nations Educational, Scientific; Cultural Organization (UNESCO). https://doi.org/10.54675/ZJTE2084.

Woebot Health. 2025. “Woebot Health: Scalable Enterprise Solution for Mental Health.” https://woebothealth.com/.

World Economic Forum. 2020. “Schools of the Future: Defining New Models of Education for the Fourth Industrial Revolution.” Geneva, Switzerland: World Economic Forum. https://www.weforum.org/reports/schools-of-the-future-defining-new-models-of-education-for-the-fourth-industrial-revolution.